論文の概要: LabAgent: Customize Any Research Hubs for Scientific Discoveries Using AI Agents

• arxiv url: http://arxiv.org/abs/2609.13437v1
• Date: Fri, 11 Sep 2026 18:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.308215
• Title: LabAgent: Customize Any Research Hubs for Scientific Discoveries Using AI Agents
• Title（参考訳）: LabAgent:AIエージェントを使って科学的発見のための研究ハブをカスタマイズ
• Abstract要約: 前者によって開発された手法は、新しい研究者によって、より斬新で深い科学的疑問を探求するために拡張されることが多い。 大学院生などの研究室スタッフの変化は、方法の複製が可能な人員の不足につながる。 本研究では,実験室の継続的な作業に適した再生・発見ハーネスであるLabAgentを提案する。
• 参考スコア（独自算出の注目度）: 54.20891951945591
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Scientific research is a continuous process that emphasizes inheritance. Methods developed by predecessors are often expanded upon by new researchers to explore more novel and in-depth scientific questions. However, the change of lab staff, such as student graduation, leads to a lack of personnel capable of replicating methods. Methods that have been developed with significant effort and resources cannot be continued. To address these limitations, we propose LabAgent, a reproduce and discovery harness tailored for a lab's continuous work. LabAgent employs two mechanisms to guarantee that all skills can be executed and verified and to record the corrective methods and experiences, allowing for direct correction or avoidance of similar errors. We applied LabAgent to drug property prediction, biomedical problem analysis, protein variant effect prediction, and statistical genetics in life science domains. LabAgent ranks first over commercial generalist agents in every domain, and demonstrates accurate reproduction of a published figure. Overall, these results demonstrate that LabAgent can effectively integrate and reasonably expand laboratory knowledge.
• Abstract（参考訳）: 科学的研究は継承を重視する継続的プロセスである。 前者によって開発された手法は、新しい研究者によって、より斬新で深い科学的疑問を探求するために拡張されることが多い。 しかし、大学院生などの研究室スタッフの変化は、方法の複製が可能な人材の欠如につながっている。 多大な努力と資源で開発された手法は継続できない。 これらの制約に対処するため,実験室の継続的な作業に適した再生・発見用ハーネスであるLabAgentを提案する。 LabAgentは、すべてのスキルが実行および検証可能であることを保証し、修正方法と経験を記録するために2つのメカニズムを採用している。 生命科学領域における薬物特性予測,生物医学的問題解析,タンパク質変異効果予測,統計遺伝学にLabAgentを適用した。 LabAgentは、各ドメインの商用ジェネラリストエージェントよりも先にランク付けし、発行されたフィギュアの正確な再現を実証する。 これらの結果から,LabAgentは実験室の知識を効果的に統合し,合理的に拡張できることが示された。

関連論文リスト

• Toward Auditable AI Scientists: A Hypothesis Evolution Protocol for LLM Agents [0.42970700836450476]
  大規模言語モデル(LLM)エージェントは、AIによる科学的発見において、ますます中心的な役割を果たすことが期待されている。 本稿では、仮説生成、評価、進化を明示的で監査可能な操作として提供するエージェントハーネスである仮説進化プロトコル(HEP)を提案する。 材料科学研究タスクにおいて、HEPを組み込んだエージェントは、計画的なエージェントが欠如している仮説-テスト-エビデンス-ビリーフサイクルを運用し、研究課題を一般化し、基礎LLMがより有能になるにつれてプロトコルをより完全に活用する。
  論文  参考訳（メタデータ） (2026-07-10T08:39:30Z)
• LabVLA: Grounding Vision-Language-Action Models in Scientific Laboratories [95.20367571157679]
  Vision-Language-Action (VLA) モデルは、記述されたプロトコルとロボット実行の間の1つの可能なインターフェースを提供する。 既存の政策は、主に家庭やテーブルトップのデモンストレーションに基づいて訓練されており、機器、透明な液体、または科学実験室で見られる固定されたプロトコルに遭遇することは滅多にない。 まず、Qwen3-VL-4B-インストラクションバックボーンアクションを学習する前に認識させ、フローマッチング後トレーニングを行い、次に知識絶縁下でDiTアクションエキスパートをアタッチする。
  論文  参考訳（メタデータ） (2026-06-11T17:03:53Z)
• Benchmarking AI Agents for Addressing Scientific Challenges Across Scales [118.2204632627895]
  SciAgentArenaは、現実世界の科学研究シナリオでAIエージェントを評価するための体系的なベンチマークである。 ステップワイズ検証を備えた約200のタスクと、多様なAIエージェントを評価するためのインタラクティブでエージェントに依存しない環境で構成される。 タスク構造や評価基準が明確である場合, 現状のエージェントはデータ分析に効果的に貢献できることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T22:55:30Z)
• Notes2Skills: From Lab Notebooks to Certainty-Aware Scientific Agent Skills [27.745107239660683]
  Notes2Skillsは、研究室のノートブックを科学的AIエージェントの検証可能なスキルに変えるためのフレームワークである。 Notes2Skillsは、ファームドインストラクションで不確実なノートを間違えたり、ファームドインストラクションを破棄したりしない唯一の構成である。
  論文  参考訳（メタデータ） (2026-06-10T10:25:47Z)
• AstaBench: Rigorous Benchmarking of AI Agents with a Scientific Research Suite [75.58737079136942]
  本稿では,AstaBenchについて紹介する。AstaBenchは,科学的研究を行うためのエージェント能力の総合的な測定を行うスイートである。 私たちのスイートには、プロダクショングレードの検索ツールを備えた、最初の科学研究環境が付属しています。 22のエージェントクラスで57のエージェントを評価したところ,いくつかの興味深い結果が得られた。
  論文  参考訳（メタデータ） (2025-10-24T17:10:26Z)
• Agents for self-driving laboratories applied to quantum computing [2.840384720502993]
  本稿では,実験者の実験知識の組織化とエージェントによる実験の自動化を支援するため,k-agentsフレームワークを提案する。 本フレームワークでは,実験結果の分析方法を含む実験室の知識をカプセル化するために,大規模言語モデルに基づくエージェントを用いている。 実験を自動化するために,複数ステップの実験手順をエージェントベースの状態マシンに分割し,他のエージェントと対話して各ステップを実行し,実験結果を解析する実行エージェントを導入する。
  論文  参考訳（メタデータ） (2024-12-10T23:30:44Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Deep metric learning improves lab of origin prediction of genetically engineered plasmids [63.05016513788047]
  遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。 本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。 我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
  論文  参考訳（メタデータ） (2021-11-24T16:29:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。